ANALISIS EKSTRAKSI FITUR SURF DAN SVM CLASSIFICATION UNTUK PENGENALAN CITRA WAJAH DARI BERBAGAI SUDUT TESIS ARIPIN RAMBE

(1)

CITRA WAJAH DARI BERBAGAI SUDUT

TESIS

ARIPIN RAMBE 147038090

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2019

(2)

CITRA WAJAH DARI BERBAGAI SUDUT

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Megister Teknik Informatika

ARIPIN RAMBE 147038090

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2019

(3)

(4)

PERNYATAAN

ANALISIS EKSTRAKSI FITUR SURF DAN SVM CLASSIFICATION UNTUK PENGENALAN CITRA WAJAH DARI BERBAGAI SUDUT

TESIS

Saya mengakui bahwa tesis ini adalah karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing masing telah disebut sumbernya.

Medan, 16 Agustus 2019

ARIPIN RAMBE NIM. 147038090

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI ILMIAH UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini :

Nama : Aripin Rambe

NIM : 147038090

Program Studi : Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak bebas Royalti Non Eksklusif (Non Exclusive Royalty Free Right) atas tesis saya yang berjudul :

ANALISIS EKSTRAKSI FITUR SURF DAN SVM CLASSIFICATION UNTUK PENGENALAN CITRA WAJAH DARI BERBAGAI SUDUT

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

ARIPIN RAMBE

NIM. 147038090

(6)

PANITIA PENGUJI

Telah diuji pada

Tanggal 16 Agustus 2019

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Tulus, M.Si

Anggota : 1. Prof. Dr. Muhammad Zarlis 2. Dr. Poltak Sihombing, M.Kom 3. Dr. Erna Budhiarti Nababan, M.IT

(7)

DAFTAR RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap : Aripin Rambe

Tempat, Tgl Lahir : Parsuluman, 18 Februari 1972 Alamat Rumah : Perumahan Grand Monaco S.8

Jl. Eka Surya - Medan Telepon/Fax/HP : 081263322272

Email : [email protected]

Instansi Tpt Bekerja : Perusahan Daerah Pasar Kota Medan (BUMD) Alamat Instansi : Jl. Razak Baru No. 1-A Lt. III Pasar Petisah Medan

DATA PENDIDIKAN

SD : SD Inpres Sipagimbar, Tapsel TAMMAT : 1985

SMP : SMP Negeri Sipagimbar, Tapsel TAMMAT : 1988

SMA : SMA Negeri 6 Medan TAMMAT : 1991

D-III : AMIK Kesatria Medan TAMMAT : 2000

S1 : STMIK Sisingamangaraja XII Medan TAMMAT : 2011 S2 : Magister Teknik Informatika USU TAMMAT : 2019

(8)

UCAPAN TERIMA KASIH

Puji dan Syukur kehadirat Allah SWT atas Ridho dan Rahmat-Nya penulis dapat menyelesaikan tesis yang berjudul “Analisis Ekstraksi Fitur SURF dan SVM Classification untuk Pengenalan Citra Wajah dari Berbagai Sudut” untuk memenuhi salah satu syarat dalam mencapai gelas Magister Komputer pada Teknik Informatika Universitas Sumatera Utara Medan.

Dalam kesempatan ini penulis menyadari bahwa banyak pihak yang ikut berperan dalam penyelesaian tesis ini baik moril maupun meteril. Oleh karena itu penulis mengucapkan terima kasih kepada :

1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Opim Salim Sitompul, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

3. Bapak Prof. Dr. Muhammad Zarlis, M.Sc, selaku Ketua Program Studi Magister Teknik Informatika Universitas Sumatera Utara.

4. Bapak Dr. Syahril Efendi, S.Si, M.IT, selaku Sekretaris Program Studi Magister Teknik Informatika Universitas Sumatera Utara.

5. Bapak Prof. Dr. Tulus, M.Si, selaku Dosen Pembimbing I yang telah banyak meluangkan waktunya dan fikiran untuk mengarahkan penulis dalam penyusunan tesis ini.

6. Bapak Dr. Poltak Sihombing, M.Kom, selaku Dosen Pembimbing II yang telah banyak memberikan masukan dan saran dalam penyusunan tesis ini.

7. Bapak Prof. Dr. Muhammad Zarlis, M.Sc, selaku Dosen Pembanding I yang telah memberikan saran dan perbaikan dan penyelesaian tesis ini.

8. Ibu Dr. Erna Budhiarti Nababan, M.IT, selaku Dosen Pembanding II yang telah memberikan saran dan perbaikan dan penyelesaian tesis ini.

9. Bapak/Ibu Dosen dan staf pegawai Universitas Sumatera Utara.

10. Kedua Orang Tua saya Mutiha Rambe (alm) dan Hj. Langkoria Simatupang atas didikan dan do’anya selama ini.

(9)

11. Kedua Mertua saya H. Mersik Surbakti (alm) dan Hj. Sri Adiningsih atas do’a dan dorongan semangat kepada penulis.

12. Istri tercinta Sri Masrika, S.Sos dan kedua putra putri saya ( Zanzabillah Rambe dan Riski Akbar Rambe) atas do’a dan sumber inspirasi bagi penulis untuk menyelesaikan tesis ini.

Dalam menyusun tesis ini penulis menyadari masih banyak kekurangan. Untuk itu penulis mengharapkan kritik dan saran untuk menyempurnakan tesis ini. Akhirnya semoga Allah SWT melimpahkan RahmadNya kepada kita semua, dan semoga tesis ini dapat bermanfaat bagi pembaca.

Terima Kasih.

Penulis,

ARIPIN RAMBE

NIM. 147038090

(10)

ABSTRAK

Biometrik merupakan serangkaian prosedur yang digunakan untuk mengukur sifat fisik seseorang berdasarkan karakteristik fisik perilaku seseorang dalam melakukan identifikasi dan verifikasi. Salah satu biometrik yaitu wajah, ekstraksi fitur Speed Up Robust Feature (SURF) akan sesuai digunakan untuk mengekstraksi ciri ciri dari citra wajah. Support Vektor Mechine (SVM) akan digunakan sebagai metode klasifikasi . Data wajah yang digunakan dalam penelitian ini diperoleh dari National Cheng Kung University (NKCU). Hasil klasifikasi SVM dengan bantuan SURF sebagai model ekstraksi fitur dengan penentuan jumlah k=50 memperoleh tingkat akurasi 94,60%, k=500 memperoleh tingkat akurasi 100% dan jumlah k=1000 hasil klasifikasi menurun dengan tingkat akurasi 93,70%

Kata kunci : SURF, SVM, Wajah

(11)

ANALYSIS SURF FEATURE EXTRACTION AND SVM CLASSIFICATION FOR THE FACIAL IMAGE RECOGNITION FROM VARIOUS ANGLES

ABSTRACT

Biometric is a series of procedures used to measure the physical properties of aperson based on your physical characteristics of a person's behavior in identification andverification. One facial biometrics ie, feature extraction Speed Up Robust Feature (SURF) will be suitably used for extracting the characteristics of the face image.

Support Vector Mechine (SVM) will be used as a method of classification. The face data used in this study were obtained from the National Cheng Kung University (NKCU). SVM classification results with the help of SURF as a model feature extraction with the determination of the number of k = 50 gained 94.60% accuracy rate, k = 500 acquire a 100% accuracy rate and the number of k = 1000 classification results decreasemd with 93.70% accuracy rate.

Keywords : SURF, SVM, Facial

(12)

DAFTAR ISI

PERSETUJUAN ii

PERNYATAAN iii

PERNYATAAN PERSETUJUAN PUBLIKASI ILMIAH iv

PANITIA PENGUJI v

DAFTAR RIWAYAT HIDUP vi

UCAPAN TERIMA KASIH vii

ABSTRAK ix

ABSTRACT x

DAFTAR ISI xi

TABEL xiii

GAMBAR xiv

BAB 1

PENDAHULUAN 1

1.1 Latar belakang 1

1.2 Perumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

BAB 2

TINJAUAN PUSTAKA 4

2.1 Citra Digital 4

2.2 Pengenalan Pola 4

2.3 Konversi Citra Warna ke Citra Grayscale 5

2.4 Deteksi Tepi (Edge detection) 6

2.4.1 Turunan Pertama deteksi tepi (First-order derivative) 6 2.4.2 Turunan kedua deteksi tepi (Second-order derivative) 6

2.5 Speed-up Robust Feature (SURF) 9

2.6 K-means algorithm 9

2.7 Histogram Generation 10

(13)

2.8 Support Vector Machine 10

2.8.1 SVM Linier 10

2.8.2 SVM Non-Linier 11

BAB 3

METODOLOGI PENELITIAN 12

3.1 Tahapan Penelitian 12

3.2 Diagram Alur Kerja Penelitian 12

3.3 Data Set 13

3.4 Langkah Penelitian 13

3.5 Flowchart Grayscale 15

3.6 Flowchart Deteksi fitur SURF 16

3.7 Flowchart SVM 17

BAB 4

HASIL DAN PEMBAHASAN 18

4.1 Hasil 18

4.4.1 Sampel Pelatihan Pola Wajah 18

4.1.2 Penentuan Koordinat dan deteksi interest point 19

4.1.3 Analisa ekstraksi fitur 20

4.1.4 Pengujian dengan jumlah cluster k=50 23 4.1.5 Pengujian dengan variasi jumlah cluster 24

4.1.6 Pengujian keseluruhan sampel 30

4.2 Pembahasan 33

4.3 Kontribusi 33

BAB 5

KESIMPULAN DAN SARAN 34

5.1 Kesimpulan 34

5.2 Saran 34

DAFTAR PUSTAKA 35

LAMPIRAN 37

(14)

TABEL

TABEL 4.1 Ekstraksi dengan jumlah cluster k=50 20

TABEL 4.2 Pengujian dengan jumlah cluster k=50 23

TABEL 4.5. Pengujian dengan jumlah cluster k=200 26

(15)

GAMBAR

GAMBAR 2.1 Struktur sistem pengenalan pola 5

GAMBAR 2.2 Gambar sebelah kiri mengilustrasikan tepi ideal pada citra sedangkan gambar sebelah kanan mengilustrasikan tepi lereng pada citra (Marques,

2011) 6

GAMBAR 2.3 Turunan pertama deteksi tepi (Nixon &Aguado, 2008) 7

GAMBAR 2.4 Turunan kedua deteksi tepi Gausian filter 9

GAMBAR 3.1 Alur kerja penelitian secara umum 12

GAMBAR 3.2 Langkah Penelitian Secara Umum 13

GAMBAR 3.3 Langkah Penelitian Ekstraksi SURF dan Klasifikasi SVM 14

GAMBAR 3.4 diagram alir grayscale 15

GAMBAR 3.5 proses deteksi interest point 16

GAMBAR 3.6 Diagram alir klasifikasi SVM 17

GAMBAR 4.1 Sampel pelatihan wajah yang digunakan 18

GAMBAR 4.2 deteksi interest point k=50 19

GAMBAR 4.5 Kemunculan Visual Word padanilai K=50 29

(16)

BAB I PENDAHULUAN

1.1 Latar belakang

Biometrik adalah sebuah model yang digunakan untuk melakukan identifikasi dan verifikasi dari karakteristik fisik seseorang(Sharma & Sharma, 2016). Salah satu penelitan Computer vision dan pattern recognition yang pupuler saat ini yaitu pengenalan wajah. Face recognition dalam mengenali seseorang yaitu dengan menghubungkan pola-pola pada wajah serta menganalisis pola tersebut melalui gambar digital atau video. Sistem keamanan data sering menggunakan pola biometrik, baik itu iris mata, sidik jari maupun wajah(Sharma & Sachdeva, 2015). Ruang lingkup pengenalan pola, wajah memiliki pola-pola yang unik dibandingan biometrik sidik jari maupun iris mata. Pengelompokan suatu objek berdasarkan tolak ukur kuantitatif fitur atau sifat utama dari suatu obyek itu merupakan ilmu pattern recognition (Gonzalez &

Woods, 2008).

Menurut (Muhathir at al, 2017) pendekatan pattern recognition dapat dikelompokan menjadi tiga macam: pengenalan pola statistikal, pengenalan pola sintaktik, dan pengenalan pola neural. Pengenalan pola statistical merupakan model pengukuran karakteristik pola yang diperoleh dari hasil probabilistik. Pendekatan sintaktik merupakan model yang menganalisis kontur (tepi batas) objek dan struktur pola dari sebuah citra. Pendekatan ketiga merupakan kombinasi dari pendekatan statistik dan pendekatan sintaktik atau sering dikenal dengan pengenalan pola neural, pendekatan ini merupakan salah satu bagian dari pengidentikasi pola dengan menggunakan jaringan saraf tiruan. Sehingga sistem akan semakin cerdas dengan semakin sering sistem dilakukan pelatihan. Pengenalan pola tidak akan lari dari deteksi tepi, Tepi atau edge merupakan pemisah antara dua kelompok area pada citra yang memiliki karakteristik berbeda berdasarkan fitur yang ada, misalnya tekstur citra, tingkat abu-abu, dan warna citra (Marques, 2011).

(17)

Pada prinsipnya, manusia mampu membedakan pola pada sebuah objek berlandaskan bentuk visual yang memiliki karakteristik fisik atau ciri dari wajah.

Seperti membedakan pola wajah seseorang pada suatu citra baik itu tampak depan maupun tampak samping dari wajah. Namun komputer yang tidak mampu mengidentifikasi pola wajah tersebut. dikarenakan komputer hanya mengenali angka 0 dan 1.

Pada penelitian sebelumnya menggunakan fitur lokal untuk ekstraksi ciri.

Penggunaan fitur lokal sebagai ekstraksi ciri terbukti memberikan akurasi yang lebih baik pada Image Retrieval (Azizah et al, 2017). Beberapa contoh metode fitur lokal adalah Scale Invariant Feature Transform (SIFT) (Azhar et al, 2015) dan Speeded Up Robust Features (SURF) (Anand & Shah, 2016) yang menghasilkan ciri berupa keypoint dari citra.

Speed up Robust Features (SURF) merupakan suatu skema untuk mengklasifikasikan gambar berdasarkan nilai-nilai pixel yang dikandung pada gambar tersebut(Farhangi et al. 2013). Dengan memanfaatkan interest point detection dan interest point exteaction, SURF menangkap ciri unik pada gambar sehingga mampu menyelesksi pola-pola yang terdapat pada suatu gambar.

Wajah mempertunjukkan informasi yang rumit tentang identitas, jenis kelamin, usia, keadaan emosional ,ras dan perhatian. Penelitian ini bermaksud untuk menghitung performansi klasifikasi wajah dengan menggunakan SVM. Penelitian sebelumnya, ditemukan masalah dalam hal memastikan jumlah nilai k dalam mengkategorikan hasil ekstraksi fitur ke dalam cluster pada skema bag of visual words.

Skema bag of visual words memiliki 4 tahapan pada klasifikasi diantaranya;

menggunakan metode interest point detection dan interest point extraction, pengelompokan fitur menggunakan k-means algorithm, penyusunan histogram generation dan klasifikasi menggunakan (SVM) (Azhar, et al. 2015).

Pada penelitian lainnya (Shukla, et al. 2013) menguraikan bahwasanya ekstraksi SURF lebih efisien dimanfaatkan sebagai deteksi dan ekstraksi pada interest point. Penelitian ini juga akan dimanfaatkan deteksi dan ekstraksi interest point SURF. Menurut (Muhathir, 2018) bag of visual word dengan k=500 hanya mampu mengkategorikan pola ekspresi wajah dengan tingkat akurasi 69%.

Berdasarkan penelitian sebelumnya belum ada yang membahas pengklasifikasian citra wajah dari berbagai sudut yaitu

(18)

+90°,+85°,+80°,+75°,+70°,+65°,+60°,+55°,+50°,+45°,+40°,+35°,+30°,+25°,+20°,+15°,+10°, +5°,0°,-5°,-10°,-15°,-20°,-25°,-30°,-35°,-40°,-45°,-50°,-55°,60°,-65°,-70°,-75°,-80°,-85°,-90°

sehingga dalam penelitian ini akan dilakukan pengklasifikasian citra wajah dari berbagai sudut tersebut dengan menggunakan SVM dan SURF sebagai ekstraski fiturnya.

Alasan pemilihan SURF sebagai ekstraksi fiturnya dikarenakan model SURF dalam mengekstraski fitur dengan menggunakan deteksi interest point yang menjadi titik informasi pada objek dengan menandakan tanda blob pada citra, sedangkan pemilihan SVM sebagai klasifikasi dikarenakan metode SVM lebih cocok dugunakan dibandingkan dengan K-NN berdasarkan penelitian (Ariel, et al 2016).

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, metode SVM hanya digunakan untuk mengklasifikasi wajah tampak depan saja dan tidak membahas jumlah k dalam ekstraksi fitur SURF, sehingga rumusan masalah yang dapat diambil dalam penelitian ini yaitu bagaimana kinerja SVM dengan bantuan Speed up Robust Features (SURF) serta melakukan trial and error dalam menentukan jumlah k dalam mengklasifikasi wajah tampak depan dan samping dengan sudut +90°,+85°,+80°,+75°,+70°,+65°, +60°,+55°,+50°,+45°,+40°,+35°,+30°,+25°,+20°,+15°,+10°,+5°,0°,-5°,-10°,-15°,-20°, -25°,-30°,-35°,-40°,-45°,-50°,-55°,60°,-65°,-70°,-75°,-80°,-85°,-90°.

1.3 Batasan Masalah

Beberapa batasan masalah yang ditentukan dalam penelitian ini adalah sebagai berikut :

a. Format sampel citra yang digunakan .Jpeg

b. Sampel citra yang digunakan citra Our Database yang diambil dari bank Databases for Face Detection and Pose Estimation.

c. Motode klasifikasi yang digunakan yaitu SVM d. Ekstraksi fitur yang digunakan yaitu SURF 1.4 Tujuan Penelitian

Tujuan penelitian adalah Mengalisis kinerja SVM dalam mengklasifikasi wajah dengan berbagai sudut posisi wajah dengan bantuan SURF sebagai ektraksi fiturnya.

(19)

1.5 Manfaat Penelitian

Manfaat penelitian yaitu untuk mengetahui kinerja SVM dalam mengklasifikasi wajah dengan berbagai sudut posisi wajah tampak sisi kiri wajah, depan wajah serta tampa sisi kanan wajah dengan bantuan SURF sebagai ektraksi fiturnya.

(20)

BAB 2

TINJAUAN PUSTAKA

2.1 Citra Digital

Citra digital merupakan satu kesatuan elemen yang terdiri dari warna (color), kontras (contrast), kecerahan (brightness), bentuk (shape), kontur (contour), serta tekstur (texture). Citra digital dapat dikategorikan kepada dua jenis, gambar diam (still image) dan gambar bergerak (motion image). Fungsi f(x,y) menyatakan gambar diam (still image) sedangkan fungsi f (x, y, t) menyatakan gambar bergerak (motion image), dimana x menyatakan sumbu x, y menyatakan sumbu y citra, dan t menyatakan waktu (Gonzalez, 2008).

Komputer mengolah citra digital dengan cara merepresentasikan citra digital secara numerik untuk menemukan nilai intensitas cahaya dari citra tersebut. Nilai- nilai intensitas cahaya tersebut direpresentasikan sebagai nilai-nilai kanal pada suatu citra digital. Untuk citra 8 bit citra hanya memiliki satu kanal atau satu ruang warna yang menyimpan nilai dengan rentang dari 0 – 255, sedangkan citra 24 bit menyimpan tiga kanal yang dikenal sebagai kanal R (red), G (green), dan B (blue) yang juga mengandung rentang nilai berkisar antara 0 – 255, 0 – 255, 0 – 255 (Huiyu, et al. 2010).

2.2 Pengenalan Pola

Secara umum Pengenalan pola adalah salah satu ilmu yang sering digunakan untuk mengkategorikan sesuatu berdasarkan tolak ukur kuantitatif fitur atau sifat utama dari suatu objek. Pola sendiri adalah suatu entitas yang terdefenisi dan dapat diindentifikasikan serta diberi nama. Pengenalan pola dapat melalui tulisan tangan, mata, wajah dan kulit.

Gambar 2.1 menunjukkan susunan dari sistem pengenalan pola. sistem terdiri atas sensor (misalnya kamera), suatu algoritma atau mekanisme pencarian fitur dan

(21)

algoritma untuk klasifikasi (bergantung pada pendeketan yang dilakukan). Sebagai tambahan, biasanya beberapa data yang sudah diklasifikasikan diasumsikan telah tersedia untuk melatih sistem (Putra. 2010).

Sensor Pola data Pi

Pra- pengolahan

Pencarian dan seleksi fitur

Algoritma Klasifikasi

Algoritma Deskripsi

Klasifikasi

Deskripsi

Gambar 2.1 Struktur sistem pengenalan pola

1. Sensor berfungsi sebagai penangkap objek dari dunia nyata yang akan diubah menjadi sinyal digital melalui proses digitalisasi.

2. Pra-pengolahan berfungsi sebagai awal persiapan citra atau sinyal agar dapat mengeluarkan fitur yang lebih baik pada tahap berikutnya.

3. Pencari dan seleksi fitur berguna untuk mendapatkan karakteristik pembeda yang mewakili sifat utama dari suatu sinyal sekaligus merampingkan dimensi sinyal menjadi sekumpulan bilangan yang lebih sedikit tetapi representif.

4. Algoritma klasifikasi berguna sebagai pengelompokan fitur kedalam kelas yang sesuai.

5. Algoritma deskripsi berguna memberikan deskripsi dari suatu sinyal 2.3 Konversi Citra Warna ke Citra Greyscale

Konversi greyscale merupakan tahap pertama dalam banyak algoritma analisis citra.

Walaupun citra greyscale memuat informasi yang lebih sedikit dibandingkan dengan citra warna, mayoritas penting pada citra tetap terjaga. Seperti tepi, region, dan gumpalan citra tetap ada.

Citra RGB dikonversikan ke citra greyscale menggunakan transformasi berikut:

(Salomon & Breckon. 2011)

I_grey−scale(n, m) = αI_colour(n, m, r) + βI_colour(n, m, g) + γI_colour(n, m, b)(2.1) dimana (n,m) individual index pixel dari citra greyscale dan (n,m,c) adalah individual chanel pada lokasi pixel (n,m) pada citra warna untuk chanel c, merah untuk chanel r,

(22)

biru chanel b, dan hijau chanel g. dengan koefisien standar NTSC 𝜶=0.2989, 𝜷=0.587 dan 𝜸=0.1140

2.4 Deteksi Tepi (Edge detection)

Tepi atau edge merupakan pemisah antara dua kelompok area pada citra yang memiliki karakteristik berbeda berdasarkan fitur yang ada, misalnya tekstur citra, tingkat abu-abu, dan warna citra (Marques, 2011). Seperti pada citra grayscale, sangat berkaitan erat dengan variasi yang tajam dari intensitas di bagian citra. Gambar 2.1 memvisualisasikan konsep tepi dengan menampilkan perbedaan antara tepi ideal (transisi tajam) dan tepi lereng (transisi bertahap antara wilayah gelap dan terang pada citra).

Deteksi tepi biasanya bergantung pada perhitungan turunan pertama atau perhitungan turunan kedua sepanjang tampilan intensitas citra (Marques, 2011).

Turunan pertama memiliki sifat berbanding lurus dengan perbedaan intensitas di tepi, sehingga turunan pertama dapat digunakan untuk mendeteksi keberadaan tepi pada titik tertentu dalam citra. Turunan kedua dapat digunakan untuk memilah apakah pixel terletak pada sisi gelap atau terang pada tepi. Selain itu persimpangan nol antara puncak positif dan negatif dapat digunakan untuk mendeteksi pusat pada tepi yang tebal. Gambar dibawah ini merupakan ilustrasi tepi :

Gambar 2. 2 Gambar sebelah kiri mengilustrasikan tepi ideal pada citra, gambar sebelah kanan mengilustrasikan tepi lereng pada citra (Marques, 2011).

2.4.1 Turunan Pertama deteksi tepi (First-order derivative)

Pada dasarnya, batas suatu objek adalah langkah perselisihan dalam tingkat intensitas. Mendeteksi posisi tepi bisa menggunakan diferensiasi ordo pertama, diferensiasi ordo pertama tidak memberikan respon ketika diterapkan pada

(23)

perubahan intensitas yang tidak berubah, sebuah perubahan intensitas dapat diketahui oleh perbedaan titik yang berdekatan (Nixon & Aguado, 2008).

Perbedaan perhitungan titik horizontal yang bertetanggaan akan mendeteksi perubahan vertikal dalam intensitas dan sering disebut detektor-tepi horizontal berdasarkan perlakuannya. Sebuah operator horizontal tidak akan muncul pada perubahan intensitas horizontal karena perbedaannya adalah nol. Ketika diterapkan pada citra 𝑃 aksi detector-tepi horizontal membentuk perbedaan antara dua titik horizontal yang bertetanggaan, seperti mendeteksi tepi vertikal , 𝐸𝑥, seperti berikut: (Nixon & Aguado, 2008)

𝐸𝑥_𝑥,𝑦 = |𝑃_𝑥,𝑦− 𝑃_𝑥+1,𝑦| ∀𝑥 ∈ 1, 𝑁 − 1; 𝑦 ∈ 1, 𝑁 (2.1) Mendeteksi tepi horizontal membutuhkan detektor-tepi vertikal yang membedakan poin vertikal yang bertetanggaan. Hal ini akan menentukan perubahan intensitas horizontal, tetapi tidak yang vertikal, sehingga detektor-tepi vertikal mendeteksi tepi horisontal, 𝐸𝑦, seperti berikut :

𝐸𝑦_𝑥,𝑦 = |𝑃_𝑥,𝑦− 𝑃_𝑥,𝑦+1| ∀𝑥 ∈ 1, 𝑁; 𝑦 ∈ 1, 𝑁 − 1 (2.2) Gambar 2.3(b) dan(c) menampilkan operator vertikal dan operator horizontal pada citra persegi pada gambar 2.3(a).

Gambar 2.3 Turunan pertama deteksi tepi (Nixon & Aguado, 2008)

(24)

tepi kiri vertikal pada gambar 2.3(b) tampil pada samping persegi (citra asli) dikarenakan proses diferensiasi. Demikian juga dengan tepi atas pada gambar 2.3(c) tampil diatas persegi (citra asli).

Menggabungkan kedua operator E yang dapat mendeteksi tepi vertikal dan horizontal secara bersamaan, yaitu,

𝐸_𝑥,𝑦 = |𝑃_𝑥,𝑦− 𝑃_𝑥+1,𝑦+ 𝑃_𝑥,𝑦− 𝑃_𝑥,𝑦+1| ∀𝑥, 𝑦 ∈ 1, 𝑁 − 1 (2.3)

menghasilkan

𝐸_𝑥,𝑦 = |2 𝑥 𝑃_𝑥,𝑦− 𝑃_𝑥+1,𝑦− 𝑃_𝑥,𝑦+1| ∀𝑥, 𝑦 ∈ 1, 𝑁 − 1 (2.4)

persamaan 2.4 memberikan koefisien diferensiasi yang dapat mengkonvolusikan gambar untuk mendeteksi tepi pada keseluruahn objek, seperti yang disajikan pada gambar 2.3 (d). Titik cerah di sudut kanan bawah dari tepi pada Gambar 2.3 (d) jauh lebih terang dari titik-titik lainnya. Dikarenakan titik tersebut dideteksi oleh kedua operator vertikal dan horizontal, Sebaliknya, titik sudut kiri atas tidak dideteksi oleh kedua operator sehingga tidak tampil di gambar 2.3 (d).

2.4.2 Turunan kedua deteksi tepi (Second-order derivative)

Turunan kedua deteksi tepi hanya mendeteksi titik tepi yang memiliki maxima lokal dalam nilai-nilai gradien (Acharya & Ray, 2005). Pada turunan kedua ini, kita menghasilkan puncak di turunan pertama dan persimpangan nol pada turunan kedua pada titik-titik tepi. Turunan kedua memiliki persimpangan nol dipergunakan sebagai titik tepi. Operator Laplacian merupakan operator tepi yang paling sering digunakan untuk turunan kedua deteksi tepi. Dimana laplacian dari sebuah citra 𝑓(𝑥, 𝑦) dapat dirumuskan sebagai berikut : (Acharya & Ray, 2005)

∇²(𝑥, 𝑦) = ^𝜕²^(𝑥,𝑦)

𝜕𝑥² + ^𝜕²^(𝑥,𝑦)

𝜕𝑦² (2.5)

Turunan kedua deteksi tepi :

𝜕²(𝑥,𝑦)

𝜕𝑥² = 𝑓(𝑥 + 1, 𝑦) + 𝑓(𝑥 − 1, 𝑦) − 2𝑓(𝑥, 𝑦) (2.6) Dan

(25)

𝜕²(𝑥,𝑦)

𝜕𝑦² = 𝑓(𝑥, 𝑦 + 1) + 𝑓(𝑥, 𝑦 − 1) − 2𝑓(𝑥, 𝑦) (2.7)

Menghasilkan ekspresi laplacian yang dinyatakan sebagai jumlah produk :

∇²(𝑥, 𝑦) = 𝑓(𝑥 + 1, 𝑦) + 𝑓(𝑥 − 1, 𝑦) + 𝑓(𝑥, 𝑦 − 1) − 4𝑓(𝑥, 𝑦) (2.8) 2.5 Speed-up Robust Feature (SURF)

Keunggulan SURF dapat menghitung deskriptor khusus dengan cepat. Selain itu, deskriptor SURF merupakan invarian terhadap transformasi gambar umum termasuk perubahan skala, rotasi gambar, iluminasi, serta perubahan kecil pada sudut pandang.

SURF menggunakan matrix hessian untuk menentukan interest point, matrix hessian didefenisikan sebagai berikut:

𝐻(𝑋, 𝜎) = [𝐿_𝑥𝑥(𝑋, 𝜎) 𝐿_𝑥𝑦(𝑋, 𝜎)

𝐿_𝑥𝑦(𝑋, 𝜎) 𝐿_𝑦𝑦(𝑋, 𝜎) ] (2.9)

dimana L_xx (X,σ)= ∂^2 g(σ)/ ∂^2 x adalah konvolusi dari ordo kedua derivatif Gaussian dengan input citra pada point X=(x,y), dan serupa untuk L_yy (X,σ). SURF memperkirakan ordo kedua derivatif Gaussian dengan filter kotak (nilai mean atau nilai average filter) yang ditunjukkan pada Gambar 2.1. (Anand & Shah, 2016), Penentuan lokasi dan skala interest point pada SURF dengan mengandalkan determinan matriks Hessian dengan menerapkan penekanan non-maksimum di area 3x3x3.

|𝐿𝑥𝑦(1,2)|𝐹||𝐷𝑥𝑥(9)|𝐹

|𝐿𝑥𝑥(1,2)|_𝐹||𝐷𝑥𝑦(9)|_𝐹=0.912.. 0.9, (2.10)

dimana ||𝑥|_𝐹 adalah norma frobenius yang menghasilkan :

𝐷𝑒𝑡(𝐻_{𝑎𝑝𝑝𝑟𝑜𝑥}) = 𝐷_𝑥𝑥𝐷_𝑦𝑦− (0.9)𝐷_𝑥𝑦)² (2.11)

(26)

Gambar. 2.4 Turunan kedua deteksi tepi Gausian filter 2.6 K-means algorithm

K-means merupakan salah satu algoritma pengclusteran partial sederhana berbasis prototipe yang berusaha menemukan gugus K yang tidak tumpang tindih. Cluster ini diwakili oleh centroids sebagai mean dari titik-titik di cluster itu. Proses pengclusteran K-means algorithm pertama, centroid K awal ditentukan oleh pengguna. Setiap titik dalam data diperintahkan ke centroid terdekat, dan setiap koleksi titik yang diperintahkan ke centroid menciptakan sebuah cluster. Centroid dari setiap cluster akan diperbarui berdasarkan titik-titik yang diperintahkan ke cluster tersebut. Proses ini akan berulang hingga tidak terjadi lagi perubahan titik dalam pengclusteran (Wu Junjie. 2012). Persamaan K-means sebagai berikut:

𝑗 = ∑^𝑘_𝑗=1∑_{𝑎𝑙𝑙 𝑖} |𝑥_𝑖^𝑗− 𝑐^𝑗|², pada kelas j

Dimana 𝑐_𝑘 menyatakan koordinat vektor dari j^thkluster dan {𝑥_𝑖^𝑗} adalah point yang ditetapkan kepada j^thkluster.

2.7 Histogram Generation

Tujuan dari bag of visual words adalah menghasilkan histogram yang dapat mewakili gambar untuk disimpan dalam sebuah imageset yang akan digunakan. Histogram merupakan pembentukan grafik dari kemunculan nilai-nilai intensitas cahaya dari pixel yang dikandung pada citra (Salomon & Breckon,2011).

(27)

2.8 Support Vector Machine

Support vector machine (SVM) merupakan algoritma yang menerapkan model pemetaan nonlinier untuk merubah data pelatihan asli ke dimensi yang lebih tinggi.

Data yang telah dirubah kedalam dimensi yang lebih tinggi ini akan mencari linier pemisah linier yang linier (yaitu, "batas keputusan" yang meragamkan tupel dari satu kelas dari kelas yang lain). Pemisahan data dengan dimensi yang lebih tinggi ini disebut hyperplane. SVM mendapatkan hyperplane ini dengan menerapkan vektor pendukung (tupel pelatihan "esensial") dan margin (ditentukan oleh vektor pendukung) (Aurchana & Dhanalakshmi, 2017).

2.8.1 SVM Linier

m data training

 (

x y1, 1

) (

, x y2, 2

) (

,..., x_m,y_m

) 

dimana x _i ⁿ adalah sampel data dan



^{1, 1}



y i − adalah kelas dari sampel data. fungsi pemisah (hyperplane) sebagai berikut:

( )

f x =x w b+ (2.12)

dimana w ⁿ^¹ adalah parameter bobot dan b adalah parameter bias serta berlaku

i 0

x w+ b untuk y =_i 1

(2.13)

i 0

x w+ b untuk y = −_i 1

pencarian parameter w dan b yang optimal agar diperoleh hyperplane terbaik merupakan masalah pemograman kuadratik

, 1

min 1 2

m T

w b i

i

w w C 

=

+



^(2.14)

dengan kendala y x w bi

(

i +

)

 −¹ i , _i0 , i=1,...,m

Dengan menggunakan pengali Lagrange  ^m^¹ maka bentuk primal pemograman kuadratik (3) dapat diubah menjadi bentuk dual sebagai berikut

Max

( )

1 1

1 2

m m

T

i i j i j i j

i i j

L     y y x x

= = =

=



−



^(2.15)

(28)

dengan kendala

1

0

m

i i i

 y

=



= ^,⁰^^ⁱ ^ ^C^,ⁱ⁼^{1, 2,...,}^m

2.8.2 SVM Non-Linier

SVM Non-Linear merupakan perkembangan dari SVM linear untuk menyelesaikan permasalahan data yang tidak terpisah secara linear. SVM linier dapat diubah menjadi SVM non-linier dengan menerapkan metode kernel. Metode ini bekerja dengan memetakan data input ke ruang feature yang dimensinya lebih tinggi.

Fungsi kernel yang sering digunakan adalah sebagai berikut :

a. kernel linier : ^{K u v}

( )

^, ⁼^{u v}^T ^. ^(2.16)

b. kernel polinomial : ^{K u v}

( )

^, ^{= +}

(

¹ ^{u v}^T

)

^d ^, ^d^²^. ^(2.17)

c. kernel RBF (Radial Basis Function) : ^{K u v}

( )

^, ⁼^exp

(

⁻^ ^u⁻^v ²

)

^, ^ ^⁰ ^(2.18)

d. Kernel Gaussian :

( )

^, ^exp ₂ ² ^,

2 u v

K u v 



 − 

 

= − 

 

 

. (2.19)

(29)

BAB 3

METODOLOGI PENELITIAN

3.1 Tahapan Penelitian

Pada tahapan penelitian ini, mekanisme penelitian yang dilaksanakan sesuai studi literatur dan memulai konsultasi dengan pembimbing. Sesudah menemukan permasalahan serta dapat dirumuskan permasalahannya maka penelitian bisa disinambungkan pada proses selanjutnya.

3.2 Diagram Alur Kerja Penelitian

Diagram alur kerja pada penelitian ini di ilustrasikan pada gambar 3.1.

Gambar 3.3 Alur kerja penelitian secara umum

Berdasarkan Gambar 3.1 dapat dirumuskan bahwa alur kerja penelitian secara umum dimulai dengan mengidentifikasikan permasalahan yang akan diteliti dan diteruskan dengan memfokuskan tujuan penelitian agar ruang lingkup penelitian tidak melebar dan keluar dari focus utama penelitian, setelah terfokus penelitian yang akan diteliti akan di dilanjutkan dengan pengumpulkan data, selanjutnya setelah data telah terkumpulkan maka dilanjuti dengan proses perancangan dan mengimplementasikan

Mengidentifikasi Masalah

Memfokuskan Tujuan Penelitian

Mengumpulkan Data (Sampel)

Merancang dan Mengimplementasi

sistem Menguji Coba SVM

+ SURF

Mengukur Kinerja SVM + SURF

Menyimpulkan penelitian

(30)

sistem dimana sistem dibangun sesuai dengan tujuan penelitian yang telah difokuskan, kemudian masuk ke tahap pengujian sistem yang telah dibangun dan diakhiri dengan proses pengukuran kinerja SVM + SURF sehingga bisa diperoleh sebuah kesimpulan.

3.3 Data Set

Data yang digunakan dalam penelitian ini diambil dari bank Databases for Face Detection and Pose Estimation yang dapat diakses pada link http://robotics.csie.ncku.edu.tw/Databases/OurDatabase/Subject01_10.zip. data tersebut dibagi menjadi dua kelompok yaitu data training sebesar 60% dan data testing sebesar 40%.

3.4 Langkah Penelitian

Langkah penelitian secara umum pengenalan pola yang dibangun dalam penelitian ini diilustrasikan pada Gambar 3.2.

Gambar 3.4 Langkah Penelitian Secara Umum

Pada Gambar 3.2 terdapat dua model proses yaitu proses training pola dan proses testing pola, pada proses training pola citra masukan dilakukan pre-procesing dengan grayscale dilanjutkan dengan mendeteksisi fitur-fitur SURF yang terdapat pada gambar, fitur-fitur yang telah dideteksi akan di ekstraksi dengan SURF, perolehan hasil ekstraksi akan disimpan ke model pola yang akan digunakan pada saat

Input Citra Citra Keabuan (Grayscale)

Deteksi fitur SURF

Input Citra

Citra Keabuan (Grayscale) Training Pola

Testing Pola

Simpan Model Pola Ekstraksi

SVM Classifier Output

(Identitas Wajah) Ekstraksi fitur

SURF

Deteksi dan Ekstraksi fitur

SURF

(31)

kalasifikasi wajah pada tahapan testing data, dan pada tahapan testing, citra masukan dilakukan pre-procesing dengan grayscale dan fitur akan diekstrak menggunakan SURF dan dilanjutkan ketahapan klasifikasi menggunakan SVM Classifier.

Langkah penelitian keseluruhan yang akan dibangun dalam penelitian ini dapat diilustrasikan pada gambar 3.3 untuk SVM Classifier dan SURF fitur ekstrasi.

Gambar 3.3 Langkah Penelitian Ekstraksi Surf dan Klasifikasi SVM

Pada langkah penelitian Ekstraksi Surf dan Klasifikasi SVM yang diproses oleh sistem setelah sistem menerima citra masukan maka sistem akan melakukan proses grayscale yang gunanya untuk mempermudah perhitungan dimana citra masukan mempunyai tiga ruang warna yaitu warna R, warna G dan warna B setelah grayscale bekerja maka citra akan menjadi satu ruang warna yaitu grayscale, kemudian hasil citra grayscale dilanjutkan dengan proses deteksi fitur SURF gunanya untuk membangkitkan fitur- fitur yang akan diekstraksi, setelah diperoleh hasil deteksi fitur SURF maka sistem akan mengekstrak fitur hasil deteksi dengan ekstraksi fitur SURF setalah bobot fitur diperoleh maka akan di klasifikasi menggunakan SVM Classifier.

(32)

3.5 Flowchart Grayscale

Gambar 3.4 Diagram alir grayscale

Pada gambar 3.4 menjelaskan proses perubahan suatu gambar berwarna ke gambar dengan scala grayscale, citra inputan setiap pixel mempunyai tiga ruang warna R,G,B akan dikalkulasikan dengan menjumlahkan masing-masing nilai R+G+B dan dibagi 3, perolehan nilai pembagian tersebut disebut sebagai nilai grayscale, proses kalkulasi tersebut akan berhenti jika seluruh pixel pada sebuah citra telah dikalkulasi.

Mulai

Stop Input Citra

Gray=(R+G+B)/3

Apakah semua pixel (nilai intensitas) citra sudah di

kalkulasi

Ya Tidak

(33)

3.6 Flowchart Deteksi Fitur SURF

Mulai

Input Greyscale

deteksi interest point

Apakah semua pixel (nilai intensitas) citra sudah

di kalkulasi Tidak

Ya

Stop

Pembentukan grid step 8

Gambar 3.5 Proses deteksi interest point

Pada gambar 3.5 menjelaskan proses pendeteksian interest point pada suatu citra, citra inputan grayscale sebagai citra inputan akan dilanjutkan ke tahap pembentukan grid step 8 yang bertujuan mempersempit pola grid-grid yang menjadi informasi pada suatu citra, setelah proses pembentukan grid step 8 selesai dilanjutkan dengan mendeteksi interest point berdasarkan grid step yang telah dibuat pada tahap sebelumnya, proses pendeteksian interest point akan berhenti apabila keseluruhan citra telah di baca untuk proses pendeteksian interest point

(34)

3.7 Flowchart SVM

Tidak

Ya

Stop Tampilkan hasil

Klasifikasi Mulai

Input citra deteksi Interest Point

Apakah semua Sampel Sudah di UJI?

Ekstraksi Fitur SURF

SURF Interest Point Face Training

SVM Klasifikasi

Simpan Hasil Klasifikasi

Gambar 3.6 Diagram alir klasifikasi SVM

Pada gambar 3.6 memperlihatkan langkah-langkah dalam mengklasifikasi citra wajah yang telah di deteksi interest point, langkah pertama sebelum dilakukan klafisikasi inputan citra wajah yang telah diditeksi interest point akan di ekstrak terlebih dahulu setelah memperoleh bobot ekstrasi dari SURF barulah SVM akan mengklasifikasi berdasarkan data SURF Interest Point Face Training dan menyimpan hasil klasifikasi, tahapan tersebut akan berulang sejumlah citra wajah training yang dilakukan.

(35)

BAB 4

HASIL DAN PEMBAHASAN

4.1 Hasil

Hasil yang dibahas meliputi pemilihan sampel pelatihan pola wajah, Penentuan koordinat dan deteksi interest point, Pengujian dengan variasi jumlah cluster, Pengujian keseluruhan sampel.

4.1.1 Sampel pelatihan pola wajah

Sampel pelatihan pola wajah yang digunakan dalam penelitian ini berjumlah 740 sampel yang mewakili sudut posisi pandangan wajah yang berbeda-beda, mulai dari +90°,+85°,+80°,+75°,+70°,+65°,+60°,+55°,+50°,+45°,+40°,+35°,+30°,+25°,+20°,+15°,+10°, +5°,0°,-5°,-10°, -15°,-20°,-25°,-30°,-35°,-40°,-45°,-50°,-55°,60°,-65°,-70°,-75°,-80°,-85°,-90°

vektor pola yang berbeda. Gambar 4.1 melampirkan beberapa sampel pola wajah dari berbagai sudut pandangan.

Gambar 4.1 Sampel pelatihan wajah yang digunakan

(36)

4.1.2 Penentuan koordinat dan deteksi interest point

Penentuan koordinat interest point pada citra wajah menggunakan grid step 8, dimana jarak antar interest point selanjutnya baik itu koordinat x (width) maupun y (height) yaitu berjarak 8 pixel. Setelah penentuan koordinat interest point ditentukan maka pixel yang menjadi value/informasi penting dari suatu citra akan dideteksi interest point dengan ditandai blob pada citra, sebagai contoh dapat dilihat pada gambar 4.2, gambar 4.3 dan gambar 4.4.

Gambar 4.2 Deteksi interest point k=50

(37)

Pada gambar 4.2, gambar 4.3, gambar 4.4 perbedaan stonglest feature dengan jumlah cluster k 50, 500, 1000. Terlihat begitu banyak blob pada gambar citra wajah yang menjadi informasi penting pada suatu citra tanda blob tersebut merupakan stonglest feature, perbedaan antara blob kecil dan besar hanya pada jumlah informasi yang dikandung pada citra tersebut yang menjadi stonglest feature.

4.1.3 Analisa ekstraksi fitur

Sampel wajah yang digunakan dalam penelitian ini akan di ekstrak dengan menggunakan SURF. Bobot ekstraksi fitur dapat dilihat pada tabel 4.1.

Tabel 4.1 Ekstraksi dengan jumlah cluster k=50

No Subjek Wajah Bobot Ekstraksi

1

0.072932497 0 0 0.21879749

0.43759498 0.072932497 0.14586499 0

0.072932497 0 0.072932497 0 0

0.51052743 0.072932497 0 0.14586499 0.14586499 0.072932497 0 0.21879749

0.072932497 0.14586499 0 0

0.072932497 0.072932497 0 0.072932497 0 0.29172999 0.14586499 0.14586499 0.14586499 0 0.072932497 0.21879749 0 0.072932497 0.072932497 0

0.29172999 0.072932497 0 0.072932497

0 0 0.072932497 0 0

(38)

2

0.13274467 0.066372335 0.066372335

0.13274467 0.33186167 0 0.066372335

0 0.066372335 0 0.13274467

0.13274467 0 0.33186167 0.19911700 0.066372335 0.066372335 0.33186167

0.066372335 0 0.19911700 0

0.13274467 0 0 0.26548934

0.066372335 0.066372335 0 0 0

0.13274467 0 0.19911700 0

0.19911700 0.13274467 0.066372335 0.19911700 0 0.066372335 0.39823401

0.066372335 0.066372335 0 0 0

0.066372335 0.19911700 0.13274467

3

0.089087084 0.089087084 0 0.089087084 0.35634834 0 0.17817417 0.089087084

0.089087084 0 0 0.089087084 0

0.089087084 0 0 0.089087084

0.17817417 0.089087084 0 0.089087084

0 0.35634834 0 0 0.26726124

0 0.089087084 0 0.089087084

0.26726124 0.089087084 0 0.44543540 0.089087084 0.26726124 0.089087084 0.089087084 0.089087084 0 0 0.26726124 0.089087084 0.089087084

0.089087084 0 0 0 0.089087084

0.17817417

4

0.23145503 0 0.077151679 0.077151679

0.15430336 0 0 0.077151679

0.077151679 0 0.15430336 0.38575837

0 0 0.15430336 0.077151679

0.15430336 0.15430336 0.15430336 0

0 0 0.15430336 0 0

0.30860671 0.077151679 0.077151679 0 0 0.23145503 0.15430336 0.077151679 0.15430336 0 0.15430336 0.15430336

0.077151679 0 0 0 0.30860671

0.23145503 0 0 0 0.077151679

0.15430336 0.077151679 0.38575837

5

0.15617377 0 0 0.078086883 0.15617377 0 0.078086883 0.15617377

0.078086883 0 0 0.46852127 0

0.078086883 0.078086883 0 0.078086883 0.23426063 0.15617377 0.078086883 0 0.15617377 0.15617377 0.15617377 0 0.31234753 0.15617377 0.078086883 0 0 0.078086883 0.078086883 0.078086883

0.15617377 0 0.23426063 0

0.15617377 0.078086883 0 0

0.39043438 0.078086883 0 0

(39)

0.15617377 0.078086883 0.078086883 0.078086883 0.23426063

6

0.10050379 0 0 0 0.10050379

0 0 0.10050379 0 0

0.40201515 0.30151135 0 0.20100757 0 0.20100757 0.20100757 0.10050379

0 0.30151135 0.10050379 0 0

0 0.20100757 0.10050379 0

0.10050379 0.10050379 0.40201515

0.10050379 0.20100757 0 0 0

0 0.10050379 0.10050379 0.10050379

0 0 0.20100757 0.20100757 0

0.10050379 0.10050379 0.20100757 0.10050379 0.10050379 0.10050379

7

0.15911146 0.079555728 0 0 0

0.079555728 0 0 0.079555728 0

0.47733438 0.47733438 0 0.15911146 0.079555728 0.15911146 0.15911146 0

0 0.15911146 0 0.079555728 0

0 0.079555728 0.079555728 0

0.079555728 0 0.39777863 0.079555728 0.079555728 0.079555728 0.079555728 0 0.079555728 0.15911146 0.079555728

0.079555728 0 0.079555728 0.23866719

0.23866719 0 0 0 0.079555728

0.079555728 0.079555728 0

8

0.30618620 0.10206207 0.10206207 0 0.10206207 0.10206207 0 0.10206207 0.10206207 0.20412414 0.20412414

0.20412414 0.10206207 0.30618620

0.10206207 0.10206207 0 0 0

0.20412414 0.10206207 0.20412414 0 0 0.20412414 0.10206207 0.10206207 0 0.10206207 0.20412414 0.10206207 0.10206207 0.10206207 0.10206207 0 0.10206207 0.10206207 0.40824828

0.10206207 0 0.20412414 0.20412414 0.20412414 0 0.10206207 0.10206207

0 0 0 0

… … …

740

0.073720977 0.073720977 0.073720977

0.073720977 0.14744195 0 0 0

0.073720977 0 0 0.14744195 0

0.073720977 0 0 0.073720977

0.36860490 0 0.073720977 0

0.073720977 0.14744195 0 0

0.58976781 0.14744195 0 0 0

0.14744195 0.14744195 0.073720977

(40)

0.14744195 0 0.073720977 0.073720977 0.073720977 0.073720977 0 0

0.44232586 0.14744195 0.14744195 0

0.14744195 0 0.073720977 0

0.14744195

4.1.4 Pengujian dengan jumlah cluster k=50

Hasil pengujian secara umum dapat diilustrasikan pada tabel 4.2 Tabel 4.2 Pengujian jumlah cluster k=50

No Subjek Wajah Dikenali Pada Subjek

1 Subjek 1

2 Subjek 1

3 Subjek 1

4 Subjek 1

5 Subjek 1

6 Subjek 1

7 Subjek 1

(41)

8 Subjek 1

… … …

740 Subjek 1

Pada tabel 4.2 mengilustrasikan hasil pengujian secara umum dengan menampilkan beberapa subjek wajah, hasil pengujian secara keseluruhan dapat dilihat pada tabel 4.3.

4.1.5 Pengujian dengan variasi jumlah cluster

Pada subjek http://robotics.csie.ncku.edu.tw/Databases/OurDatabase/ Subjek01-10.zip dilakukan pengujian dengan jumlah cluster yang berbeda-beda, guna untuk memperoleh tingkat akurasi yang paling tinggi, jumlah cluster yang diuji yaitu dengan jumlah cluster k=50, k=100, k=200, k=300, k=400, k=500 dan k=1000, hasil pengujian dari masing-masing cluster dapat dilihat pada tabel 4.3, tabel 4.4, tabel 4.5, tabel 4.6, tabel 4.7, tabel 4.8 dan tabel 4.9.

Tabel 4.3 Pengujian dengan jumlah cluster k=50

Nama Subjek

Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10

Subjek01 0.90 0.00 0.00 0.07 0.00 0.00 0.00 0.03 0.00 0.00 Subjek02 0.00 0.73 0.27 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Subjek03 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Subjek04 0.00 0.00 0.07 0.90 0.00 0.00 0.03 0.00 0.00 0.00 Subjek05 0.00 0.00 0.07 0.00 0.93 0.00 0.00 0.00 0.00 0.00 Subjek06 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 Subjek07 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 Subjek08 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 Subjek09 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 Subjek10 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00

(42)

Pada tabel 4.3 merupakan hasil pengujian dengan jumlah cluster k=50, secara umum pada cluster k=50 hasil klasifikasi tingkat akurasi sudah bagus, hanya pada subjek02 tingkat akurasi yang dicapai 73%, subjek04 dan subjek01 tingkat akurasi 90% dan subjek05 tingkat akurasi mencapai 93%, sedangkan pada subjek03, subjek06, subjek07, subjek08, subjek09 dan subjek10 hasil klasifikasi mencapai 100%. Dengan rata-rata hasil akurasi 94.60%. pada subjek01 terjadi kesalahan dalam klasifikasi sebesar 10% yaitu dikenali pada subjek04 sebesar 7% dan subjek08 sebesar 3%. Pada subjek02 terjadi kesalahan klasifikasi sebesar 27% yaitu dikenali pada subjek03 sebesar 27%. Pada subjek04 terjadi kesalahan klasifikasi sebesar 10% yaitu dikenali pada subjek03 sebesar 7% dan subjek07 sebesar 3%. Pada subjek05 terjadi kesalahan klasifikasi sebesar 7% yaitu pada subjek03 sebesar 7%.

Tabel 4.4 Pengujian dengan jumlah cluster k=100

Nama Subjek

Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10

Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Subjek02 0.00 0.93 0.07 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Subjek03 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Subjek04 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 0.00 0.00 Subjek05 0.00 0.00 0.03 0.00 0.97 0.00 0.00 0.00 0.00 0.00 Subjek06 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 0.00 Subjek07 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 Subjek08 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 Subjek09 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 Subjek10 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00

Pada tabel 4.4 merupakan hasil pengujian dengan jumlah cluster k=100, secara umum pada cluster k=100 hasil klasifikasi sudah lebih baik dibandingakan pada jumlah cluster k=50, pada subjek02 terjadi peningkatan hingga mencapai 93%, subjek05 juga terjadi peningkatan mencapai 97%, sedangkan pada subjek01, subjek03, subjek04, subjek06, subjek07, subjek08, subjek09 dan subjek10 hasil klasifikasi mencapai 100%. Dengan hasil akurasi rata-rata 99%. Pada subjek02 terjadi kesalahan klasifikasi sebesar 7% yaitu pada subjek03 sebesar 7%. Pada subjek05 terjadi kesalahan klasifikasi sebesar 3% yaitu pada subjek03 sebesar 3%.